XiaoMi-AI文件搜索系统
World File Search Systemscans
用于分析 CT 脑部扫描的人工智能
对于疑似中风入院的患者，NICE 关于 16 岁以上人群中风和短暂性脑缺血发作的指南：诊断和初步治疗建议立即使用经过验证的筛查工具 FAST 来评估突然出现神经系统症状的患者。入院时，使用经过验证的工具 ROSIER 来诊断中风或短暂性脑缺血发作。当怀疑短暂性脑缺血发作时，患者将服用 300 毫克阿司匹林并转诊给专科医生进行评估。不建议进行脑成像。疑似急性中风入院的患者应转诊至专科中风科。建议尽快在 24 小时内进行 NCCT。高风险人群应立即接受扫描。当怀疑急性缺血性中风且症状出现时间超过 6 小时前时，应进行 CTA 或 CTP。中风
SSNet：使用...对脑部 MRI 扫描进行协同分割
本文使用基于 U-Net 的 nnUNetv2 和基于 SAM 的 SAM-track 构建模型，用于学习脑 MRI 图像。NnUNetv2 是医学图像分割的最佳模型。因此，我们使用 nnUNetv2 作为基础模型。NnUNetv2 使用 nii.gz 文件（脑 MRI 数据格式），并通过 5 次交叉验证进行训练。如图 2 所示，使用 nnUNetv2 学习训练集并预测测试集。在运行 SAM-track 之前，执行后向和前向方法以创建脑 MRI 图像 mp4 文件。使用脑 MRI 图像 mp4 文件和 nnUNetv2 预测的病变掩模图像作为提示执行 SAM-track 模型。SAM-track 是基于 SAM 模型的跟踪器，使用 SAM 模型的预训练权重，无需微调。此方法适用于所有脑数据格式：adc、b0 和 b1000。执行 SAM-track 时，会在帧通过时跟踪多个对象，并且仅对最初指定的对象进行后处理。此外，由于结果是 2D 图像，因此最终将其合并为 3D 以完成最终任务。
完善脑部扫描：新视野 - Philippe Ciuciu 1,2
缩短采集时间一直是高分辨率 MRI 面临的一大挑战，而压缩感知 (CS) 理论已成功解决了这一问题。然而，大多数傅里叶编码方案都对现有的 k 空间轨迹进行了欠采样，不幸的是，这些轨迹永远无法充分编码所有必要的信息。最近，我的团队通过提出用于快速 K 空间采样的扩散投影算法 (SPARKLING) 解决了这一关键问题，该算法用于 3 和 7 特斯拉 (T) [1,2] 下的 2D/3D 非笛卡尔 T2* 和磁化率加权成像。在演讲的前半部分，我将介绍这些进展，展示有趣的临床应用，并演示我们如何采用这种方法来解决 7T 下的高分辨率功能和代谢（钠 23 Na）MR 成像——这是一项非常具有挑战性的任务。此外，我将解释如何使用 SPARKLING 欠采样策略来内部估计静态 B0 场不均匀性，这是避免在校正由于这些不均匀性而导致的非共振伪影之前需要进行额外扫描的必要组成部分。
使用神经网络对 3D 脑部扫描进行多模态分割
脑部扫描的解剖分割与诊断和神经放射学研究高度相关。由于软组织对比度强，传统上分割是在 T 1 加权 MRI 扫描上进行的。在这项工作中，我们报告了一项基于学习的自动化脑部分割的比较研究，该研究针对 MRI 和计算机断层扫描 (CT) 扫描的各种其他对比度进行，并研究了这些成像模式中包含的解剖软组织信息。总共包含 853 个 MRI/CT 脑部扫描的大型数据库使我们能够训练卷积神经网络 (CNN) 进行分割。我们在四种不同的成像模式和 27 个解剖子结构上对 CNN 性能进行了基准测试。对于每种模式，我们基于一个通用架构训练一个单独的 CNN。我们发现平均 Dice 得分分别为 86.7 ± 4.1 %（T 1 加权 MRI）、81.9 ± 6.7 %（液体衰减反转恢复 MRI）、80.8 ± 6.6 %（扩散加权 MRI）和 80.7 ± 8.2%（CT）。性能是相对于使用广泛采用的 FreeSurfer 软件包获得的标签进行评估的。分割管道使用 dropout 采样来识别损坏的输入扫描或低质量分割。在图形处理单元上，对超过 200 万人素的 3D 体积进行完整分割需要不到 1 秒的处理时间。
大脑成像的演变：从CT扫描到fMRI及以后。
计算机断层扫描（CT）扫描，于1970年代引入，标志着医学成像的开创性进步。由英国工程师Godfrey Hounsfield和物理学家Allan Cormack开发，CT扫描使用X射线梁创建大脑的横截面图像。这项技术比传统的X射线提供了更大的分辨率，使临床医生能够以更高的精度检测肿瘤，出血和结构异常。尽管具有优势，但CT成像的区分能力有限，并使患者暴露于电离辐射，从而促使人们寻找更安全，更详细的成像方法[2]。
通过 3D 超声扫描自动测量胎儿颅内容积
三维胎儿超声通常用于研究大脑结构的体积发育。迄今为止，只有有限数量的自动程序可用于描绘颅内容积。因此，三维超声图像中的颅内容积测量主要通过手动完成。在这里，我们介绍并验证了一种从三维胎儿超声扫描中提取颅内容积的自动化工具。该程序基于将大脑模型与受试者大脑进行配准。受试者的颅内容积是通过将最终变换的逆应用于大脑模型的颅内掩模来测量的。自动测量结果与同一受试者在两个孕周（即大约 20 和 30 周）的手动描绘结果显示出高度相关性（线性拟合 R 2（20 周）= 0.88，R 2（30 周）= 0.77；组内相关系数：20 周 = 0.94，30 周 = 0.84）。总体而言，自动颅腔容积大于手动划定的颅腔容积（84 ± 16 cm 3 vs. 76 ± 15 cm 3 ；274 ± 35 cm 3 vs. 237 ± 28 cm 3 ），这可能是由于小脑划定的差异所致。值得注意的是，自动测量结果既复制了胎儿大脑生长的非线性模式，也复制了年龄较大胎儿的个体间差异性增加。相比之下，在性别二态性差异的大小方面，手动和自动划定之间存在一些分歧。本文介绍的方法提供了一种相对有效的自动划定胎儿大脑结构（如颅腔容积）体积的方法。它可以用作研究工具，在大型队列中研究这些结构，最终有助于了解胎儿结构性人脑发育。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
自动脑分割算法通常依赖高分辨率 T 1 加权 (T1w) 或 T 2 加权 (T2w) 解剖图像来注释组织类型。这些算法依赖于不同脑组织和区域的体素对比度和强度差异来描绘脑组织和区域边界。大多数情况下，成人和儿童的脑组织和区域边界很容易描绘；然而，它们在婴儿数据中通常不太准确。这可能是由于大脑在出生后头几年经历了重大变化，例如髓鞘形成、突触形成和神经胶质增生 1,15,16 。例如，0 至 3 个月大的婴儿的 GM 和 WM 体素对比度与成人相反（图 2），从大约 5-9 个月开始对比度降低，导致组织看起来非常相似（图 2），而在 5-9 个月及以后的后期阶段，大脑开始模仿成人大脑的组织对比度 7,17,18。
通过成本敏感的机器学习在计算机断层扫描中检测脑出血
一位训练有素的放射科医生确认了这些图像的真实性，并没有发现任何标记错误的图像。因此，没有丢弃任何图像。为了在现实临床场景中最准确地反映模型的性能，图像没有以任何方式增强。随后创建了两个数据集：一个包含 160 幅图像的训练数据集和一个包含 40 幅图像的测试数据集。两个数据集中的出血性和非出血性 CT 扫描数量相等。值得注意的是，该数据集包含从万维网上搜索中获取的图像，因此由于源机器、患者状况、扫描时间、辐射剂量等的差异而引入了高度的异质性。这个问题因数据集较小而变得更加严重，因此这里获得的结果可能只是对所采用技术的实际潜力的保守估计 [17,18]。
基于脑肌肉混合信号的机器人手臂控制系统
在本文中，使用了预先训练的FastAI CNN模型的RESNET152体系结构。RESNET152体系结构被视为基本模型，并通过修改后3层进行改进。密集的层，然后使用新层改善了软磁层和二进制跨膜片层。在此之后，改进了RESNET152深度学习模型，对从Kaggle和Brats2015收集的2个不同的脑数据集进行了培训。进行模型的微调。在DataSet-253和DataSet-205上进行验证时，改进模型的精度分别为97％和96％。与其他深度学习模型相比，改进的模型使用2个不同的大脑MRI数据集可获得最佳结果。图中给出了精度百分比比较。15下面。应用于增加MR